Een gegenereerde titelkaart met de tekst 'Qwen 4 vs GLM-5.5: het open-weightmodel is de dure', met de ondertitel 'De nieuwste GLM die Z.ai daadwerkelijk aanbiedt is GLM-5.3, tegen 15,8 cent per indexpunt versus 7,6 voor Qwen4-Max'. Drie genummerde rijen luiden 'indexscore 42,9 tegen 31,7, Artificial Analysis v5.0.1', 'kosten per voltooide indextaak $3,27 tegen $5,01' en 'gewichten gepubliceerd voor GLM-5.3, geen voor Qwen4-Max'. Een voettekst luidt 'Scores en kosten per taak volgens Artificial Analysis Intelligence Index v5.0.1; prijzen volgens de gepubliceerde tariefkaart van elke leverancier.' Platte vectorstijl op wit met blauw-en-cyaan accenten, het OrcaRouter-merkteken rechtsonder samengevoegd.
Guides & Insights

Qwen 4 vs GLM-5.5: Het open-weightmodel is de dure optie

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

De intuïtie over open gewichten is dat ze de goedkope optie zijn. In deze vergelijking zijn ze dat niet. GLM-5.3, de nieuwste G​LM die Z.ai daadwerkelijk aanbiedt, kost $5,01 om de Artificial Analysis-indexsuite te draaien en scoort daarop 31,7 — 15,8 cent per indexpunt. Qwen4-Max kost $3,27 voor 42,9 punten — 7,6 cent per punt. Het propriëtaire model is meer dan twee keer zo efficiënt per eenheid gemeten capaciteit, en het is degene die je niet kunt downloaden. Ondertussen GLM-5.5, het model in de titel van dit artikel, bestaat niet: de documentatie-index en prijspagina van Z.ai stoppen beide bij GLM-5.3, en de documentatiepaden voor 5.4 en 5.5 geven 'not found' terug. Wat volgt is daarom een vergelijking met de G​LM die daadwerkelijk wordt geleverd, waarbij het ontbrekende versienummer wordt behandeld als een ontbrekend versienummer in plaats van als een specificatieblad om te verzinnen.

Eerst de kaart die bestaat

GLM-5.3 verscheen op 18 augustus 2026 onder de GLM-5.3-licentie, met gepubliceerde gewichten en uitsluitend tekstinvoer. Qwen4-Max ging op 16 november 2026 over op betaling per gebruik, propriëtair, met beeldinvoer en Alibaba Cloud als enige host. De twee liggen negentig dagen uit elkaar qua releasedatum en staan aan weerszijden van de gesloten/open-grens, de as waar dit stuk eigenlijk over gaat.

• Prijs per miljoen — GLM-5.3 $1,40 in / $4,40 uit; Qwen4-Max $1,50 / $4,50 in Singapore, $1,413 / $4,24 elders. Op token-tarieven is Z.ai de goedkopere kaart met 7% en 2%.

• Gecachte invoer — GLM-5.3 $0.26 per miljoen per leesactie; Qwen4-Max $0.075, met schrijfacties naar de cache tegen $1.875 voor vijf minuten en $3.00 voor een uur. Het lezen van Qwens cache is 3,5× goedkoper, waardoor de uitkomst per taak en de uitkomst per token in verschillende richtingen wijzen.

• Context — 1.000.000 tokens bij beide. GLM-5.3 beperkt de uitvoer tot 128.000; Qwen4-Max staat 131.072 toe zonder denken, of 262.144 gedeeld tussen redeneren en antwoord.

• Gewichten — GLM-5.3 gepubliceerd, onder zijn eigen licentie; Qwen4-Max geen, één host van één leverancier. Dit is het hele verschil en alles hieronder volgt daaruit.

• Modaliteit — Qwen4-Max accepteert tekst en afbeeldingen; GLM-5.3 is tekst in, tekst uit. Als je pipeline screenshots of pdf's aanvoert, stopt de vergelijking hier.

• Redeneerbesturing — GLM-5.3 heeft redeneren altijd ingeschakeld, met de inspanningsniveaus laag, hoog en maximaal en standaard maximaal; Qwen4-Max biedt laag, hoog en xhigh, met standaard hoog.

• Trainingsafstamming — Z.ai beschrijft GLM-5.3 als hetzelfde basismodel als GLM-5.2, verbeterd via post-training in plaats van een nieuwe pretrain. Dat is goed om te weten wanneer je de scores ervan vergelijkt met een model met een nieuwe architectuur.

A generated two-column scoreboard titled 'Qwen4-Max vs GLM-5.3 - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The GLM-5.3 column reads index score 31.7, cost per index task $5.01, cents per index point 15.8, input per million $1.40, output per million $4.40, hallucination rate 38.9%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

Zeven cent tegenover zestien, uitgelegd

Het verschil in kosten per punt is geen prijsartefact. De $5,01 per taak van GLM-5.3 bestaat uit $4,49 input en $0,52 output — 90% input, en $4,13 van die input bestaat uit cache-leesbewerkingen. De $3,27 van Qwen4-Max is $2,80 input en $0,47 output, met $1,12 aan cache-leesbewerkingen en $1,67 aan cache-schrijfbewerkingen. Beide modellen besteden dus bijna niets aan de tokens die ze genereren en bijna alles aan het opnieuw lezen van context.

Het verschil zit in hoeveel context elk model verbruikt om tot een antwoord te komen. GLM-5.3 leest 10,3 miljard invoertokens door de hele suite en genereert 135 miljoen uitvoertokens; Qwen4-Max leest 9,9 miljard en genereert 127 miljoen. Bijna identiek volume. Het scoreverschil van negentien punten is dus ook geen kwestie van volume — het is simpelweg dat het ene model beter is in de taken, en het kostenverschil per taak komt voort uit cacheprijzen, waar een leesactie van $0.075 tegenover een leesactie van $0.26 zich vermenigvuldigt over tien miljard tokens.

Dat is het mechanisme dat je moet onthouden: bij benchmarkruns met een lange context bepaalt het cache-leesttarief, niet het genoemde invoertarief, de rekening. Een model met $1,40 invoer en $0,26 cache-lezen kan per taak duurder zijn dan een model met $1,50 invoer en $0,075 cache-lezen.

Waar de negentien punten liggen

• Terminal-Bench 4.0 — Qwen4-Max 48,5%, GLM-5.3 41,9%. Zeven punten verschil, de kleinste marge van de agentische suites.

FrontierCode 2.0 — 26,5% versus 21,6%. Vijf punten; beide modellen zijn hier in absolute termen zwak.

• HLE Diamond — 44,9% versus 17,9%. Zevenentwintig punten, en de grootste afwijking in de vergelijking.

Alwetendheid — 27,7 versus 6,0, met hallucinatiepercentages van respectievelijk 28,4% en 38,9%. GLM-5.3 is zowel minder accuraat als minder geneigd zich te onthouden, wat de slechtst mogelijke combinatie is.

• Deelscores per capaciteit — Qwen4-Max leidt op alle vijf die beide modellen rapporteren: engineering 50,1 tegen 37,6, financiën en boekhouding 54,1 tegen 42,1, juridisch 49,6 tegen 35,8, strategie en operaties 56,9 tegen 47,4, en economie 51,3 tegen 37,3.

Niets in die lijst komt dicht genoeg in de buurt om erover te twisten. De interessante vraag is niet of Qwen4-Max beter is, want dat is overduidelijk.

A headless-browser screenshot of the Artificial Analysis page for GLM-5.3, captured 17 November 2026 in English, showing Z.ai's mark, the label Open weights model, Released August 2026, the heading GLM-5.3: Intelligence, Performance & Price Analysis, a rank strip reading Intelligence #3 of 29, Performance #21 of 27, Cost #28 of 28 and Verbosity #23 of 29, a statistics row giving a 61.448-second time to first answer token, 87 output tokens per second, $1.40 input and $4.40 output per million tokens, an 81% cache discount, 10.3 billion input tokens and an output-to-input ratio of 1.312%, and the summary paragraph describing the model as among the leading open-weight models in intelligence but particularly expensive against other open-weight models of similar size, notably slow per task and very verbose, with text input, text output and a 1M-token context window.

Het enige dat Qwen4-Max niet kan

Elke rij hierboven is een capaciteitenvergelijking, en capaciteit is het verkeerde kader wanneer een van de twee modellen mee naar huis kan worden genomen. Z.ai publiceert de gewichten van GLM-5.3 onder zijn eigen licentie; Alibaba publiceert niets voor Qwen4-Max en vermeldt één enkele host. Dat verschil verandert drie dingen die geen enkele benchmark meet.

• Continuïteit — een model dat je zelf host blijft antwoorden wanneer de prijspagina van een leverancier verandert, een regio wordt afgeschaft of er een afschaffingsmelding binnenkomt. Qwen4-Max heeft hiervoor een precedent van 25 november 2026: de preview-identifier werd negen dagen na algemene beschikbaarheid buiten gebruik genomen, en elke configuratie die nog naar qwen4-max-preview verwees, stopte met werken.

• Kostencurve — de marginale kosten van GLM-5.3 worden je GPU-benutting. Bij aanhoudend hoog volume ligt dat doorgaans onder het API-tarief; bij een laag volume met pieken is het juist slechter. Het omslagpunt is een benuttingsberekening, geen kwestie van modelkwaliteit.

• Controle — fine-tuning, kwantisatie, kernelselectie en de mogelijkheid om te inspecteren wat het model doet. Niets daarvan bestaat voor Qwen4-Max.

Daar staat tegenover: het open model is negentien indexpunten zwakker, slechter in het zich onthouden van een antwoord en blind voor afbeeldingen. Voor een greenfield-implementatie is die afweging onaantrekkelijk. Voor een systeem dat al rond een zelfgehoste inferentiestack is gebouwd — waar het alternatief voor GLM-5.3 niet Qwen4-Max is, maar de vorige GLM — is de licentie de beslissende factor en is de scorekloof een kostenpost die erbij hoort.

Waarom het open model het dure is, in één zin.

Omdat open weights de kosten verplaatsen van de tokenmeter naar het engineeringbudget, en het engineeringbudget staat niet op een tariefkaart. GLM-5.3 op je eigen hardware draaien betekent capaciteitsplanning, een serving-stack die je kunt patchen, en een evaluatieharnas dat goed genoeg is om je te vertellen of je deployment overeenkomt met de referentie — kosten die het verschil van $3,27 per taak overschrijden bij elk volume dat één team draait. De 15,8 cent per indexpunt is het zichtbare getal; het onzichtbare is groter, en het wordt één keer betaald, of je nu duizend verzoeken of een miljoen verzoeken bedient.

Die berekening slaat om bij opschaling, en ze slaat nog harder om als je moet fine-tunen. Fine-tuning is de enige vereiste die een open model niet alleen goedkoper maar de enige optie maakt, en geen enkele indexvoorsprong van Qwen4-Max kan daarvoor in de plaats komen.

Degene aanroepen die routeerbaar is

GLM-5.3 staat in onze catalogus als z-ai/glm-5.3 tegen de lijstprijs van Z.ai, $1,26 in en $3,96 uit per miljoen, zonder dat er iets bovenop komt — dezelfde tarieven die Z.ai publiceert, inclusief eventuele wijzigingen die het daarin aanbrengt. Qwen4-Max staat niet in onze catalogus; een qwen4-identifier geeft not-found terug, en de route ervan loopt via Alibaba's Model Studio API en diverse platforms van derden. Het dichtstbijzijnde Qwen-model dat wij aanbieden is qwen/qwen3.8-max voor $2,00 en $6,00.

Dat laat een praktische werkwijze over voor iedereen die het sterkere model wil zonder een tweede contract: voer de evaluatie op z-ai/glm-5.3 uit via het endpoint dat je al hebt, en als het gat van negentien punten fataal is voor je gebruiksscenario, zet Qwen4-Max dan af tegen je eigen tokenmix in plaats van tegen de index. De cijfers per taak in dit stuk zijn gemodelleerd op basis van een benchmark-harness met ongewoon zwaar cacheverkeer; een productieworkload met korte prompts en lange outputs zal het gat tussen $5,01 en $3,27 sterk verkleinen, omdat vrijwel geen van beide facturen uit output bestaat.

A headless-browser screenshot of the OrcaRouter model page for GLM-5.3, captured 17 November 2026 in English, showing the identifier z-ai/glm-5.3, the byline Z.ai dated 2026-08-18, a max output of 128K, input listed as text, output listed as text, and a p50 time-to-first-token reading.

Wat we zouden moeten zien

Een GLM-5.5 zou deze vergelijking opnieuw vormgeven, en momenteel is er geen enkel spoor van te bekennen — geen documentatietraject, geen prijsregel, geen modelidentificatie op Z.ai's eigen pagina's per 17 november 2026. Mocht hij verschijnen, dan zijn de vragen om te stellen: of Z.ai de gewichten publiceert zoals bij 5.3, of hij beeldinvoer toevoegt, en of hij het abstententiegedrag oplost, want dat laatste cijfer (38,9%) is juist hetgeen GLM-5.3 moeilijk aan te bevelen maakt voor alles wat niet is nagekeken — nog vóór de kloof in de index.

Ondertussen is de eerlijke samenvatting contra-intuïtief en kort. Het open model kost meer per punt, scoort lager op elke gemeten suite, en blijft precies voor één soort koper de juiste keuze: degene wiens beperking een licentie is in plaats van een benchmark.

Vergeleken in dit artikel3

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt